اکسپرس 24
ترجمه فارسی مقاله یادگیری خودنظارتی فدرال آگاه از تحرک در شبکه وسایل نقلیه

ترجمه فارسی مقاله یادگیری خودنظارتی فدرال آگاه از تحرک در شبکه وسایل نقلیه

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Mobility-Aware Federated Self-supervised Learning in Vehicular Network
عنوان مقاله به فارسی یادگیری خودنظارتی فدرال آگاه از تحرک در شبکه وسایل نقلیه
نویسندگان Xueying Gu, Qiong Wu, Pingyi Fan, Qiang Fan
فرمت مقاله انگلیسی PDF
تعداد صفحات 17
دسته بندی موضوعات Machine Learning,Networking and Internet Architecture,یادگیری ماشین , شبکه سازی و معماری اینترنت ,
توضیحات Submitted 31 July, 2024; originally announced August 2024. , Comments: This paper has been submitted to urban lifeline. The source code has been released at: The source code has been released at: https://github.com/qiongwu86/FLSimCo
توضیحات به فارسی ارسال 31 ژوئیه 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: این مقاله به Urban Lifeline ارسال شده است.کد منبع در: کد منبع منتشر شده است در: https://github.com/qiongwu86/flsimco

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 680,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Federated Learning (FL) is an advanced distributed machine learning approach, that protects the privacy of each vehicle by allowing the model to be trained on multiple devices simultaneously without the need to upload all data to a road side unit (RSU). This enables FL to handle scenarios with sensitive or widely distributed data. However, in these fields, it is well known that the labeling costs can be a significant expense, and models relying on labels are not suitable for these rapidly evolving fields especially in vehicular networks, or mobile internet of things (MIoT), where new data emerges constantly. To handle this issue, the self-supervised learning paves the way for training without labels. Additionally, for vehicles with high velocity, owing to blurred images, simple aggregation not only impacts the accuracy of the aggregated model but also reduces the convergence speed of FL. This paper proposes a FL algorithm based on image blur level to aggregation, called FLSimCo, which does not require labels and serves as a pre-training stage for self-supervised learning in the vehicular environment. Simulation results demonstrate that the proposed algorithm exhibits fast and stable convergence.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فدرال (FL) یک رویکرد پیشرفته یادگیری ماشین توزیع شده است که با اجازه دادن به مدل در چندین دستگاه به طور همزمان و بدون نیاز به بارگذاری تمام داده ها در یک واحد جانبی جاده (RSU) ، از حریم خصوصی هر وسیله نقلیه محافظت می کند.این امر FL را قادر می سازد سناریوها را با داده های حساس یا گسترده توزیع شده اداره کند.با این حال ، در این زمینه ها به خوبی شناخته شده است که هزینه های برچسب زدن می تواند هزینه قابل توجهی باشد ، و مدل های متکی به برچسب ها برای این زمینه های به سرعت در حال تحول به ویژه در شبکه های وسایل نقلیه یا اینترنت موبایل (MIOT) مناسب نیستند ، جایی که داده های جدیددائماً ظهور می کند.برای رسیدگی به این مسئله ، یادگیری خود سنجی راه را برای آموزش بدون برچسب هموار می کند.علاوه بر این ، برای وسایل نقلیه با سرعت بالا ، به دلیل تصاویر تاری ، تجمع ساده نه تنها بر صحت مدل جمع شده تأثیر می گذارد بلکه سرعت همگرایی FL را نیز کاهش می دهد.در این مقاله یک الگوریتم FL مبتنی بر سطح تاری تصویر به تجمع به نام FLSIMCO ارائه شده است که نیازی به برچسب ندارد و به عنوان یک مرحله قبل از آموزش برای یادگیری خودکشی در محیط وسایل نقلیه خدمت می کند.نتایج شبیه سازی نشان می دهد که الگوریتم پیشنهادی همگرایی سریع و پایدار را نشان می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.